TensorFlow具有parse_single_sequence_example功能，可用于将SequenceExamples（即顺序数据）输入RNN。但是，对于我正在处理的问题，除了经常性模型之外，我还想尝试完全卷积模型。如何以一种方式存储我的数据，以便将数据轻松地传输到卷积模型和循环模型中？
为了提供更多信息，我的数据具有以下形状：[number of samples per minibatch, time steps per sample, number of features]。 number of samples per minibatch和number of features都是固定的，但time steps per sample可能会有所不同（因此我使用动态RNN的原因）。至少在概念上，应该可以将我的数据重新整形为[number of samples per minibatch, time steps per sample, number of features, 1]，并将其视为单通道图像（然后可以通过卷积层传递）。但是，我对如何解析存储为SequenceExample的数据感到困惑，这种方式可以让我进行重塑。
答案 0 :(得分：0)
答案取决于你的功能形状。
例如，如果您具有可变长度的特征，每个时间步长具有单个浮点值，例如（0.1，-4.2,3.0）对于一个例子和（8.2）对于另一个例子，你可以考虑将它存储在tf.Example中。
然后，您可以使用FixedLenSequenceFeature解析parse_example来获取填充的Tensor。继续使用batch_size为2的上述示例：
[[0.1, -4.2, 3.0],
[8.2, 0.0, 0.0]]
如果您希望首先嵌入分类功能，则应使用VarLenFeature获取SparseTensor。如果每个时间步长只有一个值，则可以将其与tf.Example一起使用。
如果你有一个值列表，每个时间步骤SequenceExamples更自然。
因此，指导选择的内容更多的是您的功能具有何种形状的问题。 在输入convolution或dynamic_rnn之前解析之后，您需要创建一个具有可变长度序列维度的填充Tensor。